短视频加字幕的正确姿势:字级时间轴是怎么回事

字幕和声音差半拍,观众说不出哪里不对,但完播率会诚实反映。问题出在:多数工具的字幕时间是估算的——按平均语速把文本均匀铺开,而真实朗读有快有慢、有停顿。

字级时间轴是什么

在声匠生成配音时,接口同时返回每个字符的起止时间,精确到毫秒:

三 [0.20s→0.44s]  步 [0.44s→0.68s]  做 [0.68s→0.88s] ...

字幕不再是估算,而是从真实音频反推。断句、换行、消失时机都跟着实际语音走。

从文案到成品的完整流程

1. 生成配音:在语音工作台粘贴文案、选音色,生成即带时间轴
2. 下载 SRT:生成记录里一键下载,断句已按标点和时长自动处理
3. 进剪辑软件:剪映/Premiere/达芬奇导入 SRT,零调整

三个高频场景的变体:

• 已有录音、已有文稿:用强制对齐,比转写更准且零错字
• 只有音视频:用语音转写,自动识别语言并出词级时间戳
• 多语言分发:同一文案翻译后分别生成,每个语言各自帧准

一个细节

用情绪标签(如 [excited])时,标签只影响演绎,不会念出来——我们在导出层做了剥离,字幕永远干净。

先在首页免费试一条,听听真实效果。